印度初创公司Rocket认为,下一个重大机遇在于代码编写之前的阶段:利用AI帮助人们决定要构建什么。该公司推出了一个能够生成咨询风格产品策略的平台。
这家位于印度苏拉特的初创公司于周二发布了Rocket 1.0平台,该平台将研究、产品构建和竞争情报整合到单一工作流程中。该平台能够生成详细的产品策略文档,包括定价、单位经济效益和市场推广建议。
随着AI驱动的代码工具激增——从Cursor、Replit和Lovable等平台到Claude Code和Codex等功能——编写代码变得更加简单快速。Rocket联合创始人兼首席执行官Vishal Virani表示:"现在每个人都能生成代码...代码已经成为商品化产品。但要构建什么却是大家都在忽略的问题。"他补充说:"经营企业和仅仅构建代码库是两回事。"
TechCrunch在平台发布前进行了简短测试,发现它能够根据简单提示生成PDF格式的产品需求文档。这些文档更像是咨询风格的报告,而非主要关注功能和执行的代码工具或聊天机器人。
然而,一些分析似乎是从现有数据中合成的——结合已知的定价模型、用户行为模式和竞争洞察——而非基于独立可验证的信息。这表明用户在做出业务决策前可能仍需验证输出结果。Virani表示,当用户遇到问题时,平台可以提供人工支持。
该产品还能够跟踪竞争对手,包括其网站变化和流量趋势。Virani表示,Rocket利用超过1000个数据源进行分析,包括Meta的广告库、Similarweb的API以及自己的爬虫工具。
Rocket的订阅计划从每月25美元的应用构建服务,到250美元的策略和研究功能,再到包含竞争情报的完整平台350美元不等。
Virani告诉TechCrunch,250美元计划可以在产品构建之外生成两到三份"麦肯锡级别"的研究报告,将其高端服务定位为传统咨询的低成本替代方案,而传统咨询类似的策略工作往往需要数千美元。
Rocket在9月份从Accel、Salesforce Ventures和Together Fund筹集了1500万美元种子轮融资。此后,该初创公司表示用户数量已从40万增长到遍布180个国家的150多万用户。公司还报告年化平均用户收入约为4000美元,但未透露详细的付费客户数量。该初创公司表示其毛利率超过50%,20-30%的客户是中小企业。
Rocket拥有57名员工,总部设在苏拉特,在帕洛阿尔托设有业务部门。
Q&A
Q1:Rocket 1.0平台主要功能是什么?
A:Rocket 1.0是一个将研究、产品构建和竞争情报整合到单一工作流程中的平台。它能生成详细的产品策略文档,包括定价、单位经济效益和市场推广建议,还能跟踪竞争对手的网站变化和流量趋势。
Q2:Rocket平台的订阅价格是多少?
A:Rocket的订阅计划分为三个层次:每月25美元用于应用构建,250美元用于策略和研究功能,最高350美元包含完整平台和竞争情报。250美元计划可生成两到三份"麦肯锡级别"研究报告。
Q3:Rocket平台生成的报告准确性如何?
A:平台生成的分析似乎是从现有数据中合成的,结合已知定价模型、用户行为模式和竞争洞察,而非基于独立可验证的信息。因此用户在做出业务决策前可能仍需验证输出结果。
好文章,需要你的鼓励
Replit与RevenueCat达成合作,将订阅变现工具直接集成至Replit平台。用户只需通过自然语言提示(如"添加订阅"),即可完成应用内购和订阅配置,无需离开平台。RevenueCat管理超8万款应用的订阅业务,每月处理约10亿美元交易。此次合作旨在让"氛围编程"用户在构建应用的同时即可实现商业变现,月收入未达2500美元前免费使用,超出后收取1%费用。
LiVER是由北京大学、北京邮电大学等机构联合提出的视频生成框架,核心创新是将物理渲染技术与AI视频生成结合,通过Blender引擎计算漫反射、粗糙GGX和光泽GGX三种光照图像构成"场景代理",引导视频扩散模型生成光影物理准确的视频。框架包含渲染器智能体、轻量化编码器适配器和三阶段训练策略,支持对光照、场景布局和摄像机轨迹的独立精确控制。配套构建的LiVERSet数据集含约11000段标注视频,实验显示该方法在视频质量和控制精度上均优于现有方法。
所有人都说AI需要护栏,但真正在构建它的人寥寥无几。SkipLabs创始人Julien Verlaguet深耕这一问题已逾一年,他发现市面上多数"护栏"不过是提示词包装。为此,他打造了专为后端服务设计的AI编程智能体Skipper,基于健全的TypeScript类型系统与响应式运行时,实现增量式代码生成与测试,内部基准测试通过率超90%。他认为,编程语言的"人类可读性时代"正走向终结,面向智能体的精确工具链才是未来。
这项由蒙特利尔学习算法研究所(Mila)与麦吉尔大学联合发布的研究(arXiv:2604.07776,2026年4月)提出了AGENT-AS-ANNOTATORS框架,通过模仿人类数据标注的三种角色分工,系统化生成高质量网页智能体训练轨迹。以Gemini 3 Pro为教师模型,仅用2322条精选轨迹对90亿参数的Qwen3.5-9B模型进行监督微调,在WebArena基准上达到41.5%成功率,超越GPT-4o和Claude 3.5 Sonnet,并在从未见过的企业平台WorkArena L1上提升18.2个百分点,验证了"数据质量远比数量重要"这一核心结论。